21 lines
1.7 KiB
Markdown
21 lines
1.7 KiB
Markdown
# RAG
|
||
|
||
RAG能干啥也这个就不用特意解释，就是给整个LLM系统，它其实也干不了别的。
|
||
|
||
- 加没有的数据，尤其是实时性。
|
||
- 减少幻觉
|
||
但是这两项还是很有用的，但是大家实际用起来吐槽很多，因为没那么好用，从难用的角度上说RAG已死，没什么毛病。
|
||
吐槽的主要原因是经常提出的问题和你的答案库里匹配度不高，大多数RAG的基本原理就是余弦距离匹配，计算出来的东西余弦距离最高的，还真不一定是正确答案。
|
||
|
||
- 改进1，加BM25做关键字查找，作为补充，这个问题是查的慢，但是多少能提升一些准确性
|
||
- 改进2，加知识图谱，其实和BM25实现不一样，解决问题的思路都一样
|
||
- 改进3，把前面这些所有的东西加一起，然后rerank个答案的排序。能进一步提升准确性。
|
||
|
||
一个简单的解决办法是，通过预生成QA对，来搞这个事情，因为问题和答案的相似性，永远不可能比问题和问题的相似性高，因为余弦的作用机制，所以我们把每个chunk，通过prompt engineer让GPT预先生成了一堆针对这个chunk提出的问题，然后做2级查找结构，比如刚才的那个场景，我们在生成QA对的时候，就有可能被GPT的深层推理，推出来其中一个Q是"男职工的陪产假有多少天"
|
||
|
||
但是它存在一个问题，就是由于Q变多和2级查找的原因，会让你的查询变慢，另外一个也很依仗你生成QA对的运气，你要倒霉正好没生成合适的Q，那也没办法。
|
||
现在解决问题的思路，其实我们定义为Agentic RAG
|
||
什么叫Agentic RAG，就是由Agent驱使的RAG系统。
|
||
|
||
|